Introducción

La mortalidad prenatal o mortalidad fetal tardía se refiere a aquellos bebés que fallecen pasadas las 28 semanas de embarazo (a partir del séptimo mes) y que no llegan a término. Las pricipales causas son las complicaciones que surgen durante el embarazo ya sean por infecciones como sífilis o VIH, otros tipos de anomalías maternas, como diabetes o hipertensión o anomalías durante el embarazo, o hábitos perjudiciales como el consumo de tabaco o el alcohol.

Además de estos factores, las condiciones ambientales pueden tener un efecto negativo en el embarazo. Estudios sugieren que la presencia de contaminantes en el aire pueden causar complicaciones en el embarazo e incluso aumentar la probabilidad de partos prematuros, así como la exposición al ruido puede tener efectos adversos para el embarazo pudiendo llegar a afectar a la mortalidad prenatal.

En este seminario, vamos a tratar de demostrar si estos estudios se cumplen en las distintas comunidades autónomas españolas, analizando la relación que hay entre la calidad del aire y la contaminación acústica con la mortalidad prenatal.

Objetivos

El objetivo principal es demostrar si la contaminación del aire y la exposición al ruido pueden estar asociados con el número de casos de mortalidad fetal, a través de:

  • Analizar la concentración de PM 2.5 y PM 10 en el aire por comunidad autónoma.
  • Estudiar la relación entre la calidad del aire y mortalidad prenatal.
  • Analizar el porcentaje de población afectada por exceso de ruido en cada comunidad autónoma.
  • Estudiar la relación entre el exceso de ruido y mortalidad prenatal.

Metodología

Los datos que vamos a utilizar han sido encontrados en la página oficial del Instituto Nacional de Estadística (INE) en el que se pueden encontrar una gran cantidad de datos de diferentes formatos como XLS, csv, JSON … En nuestro caso los datos sobre mortalidad prenatal y contaminación son de fromato csv y JSON y se encuentran en la carpeta DATA dentro de la carpeta Input del repositorio.

Para poder utilizar estos conjuntos de datos son necesarios importarlos, para ello utilizaremos las siguientes librerías:

# Datos con formato .csv:
library(readr)

#Datos con formato .json:
library(tidyverse)
library(rjson)
library(tidyjson)

#Visualizacion resultados:
library(DT)
library(ggplot2)
library(gifski)
library(gganimate)
library(plotly)
library(dplyr)
library(mapSpain)

Importación archivos

Una vez cargadas las librerías se pueden importar los datos.

Importación datos CSV:

En algunos de nuestros archivos csv, es necesario especificar el tipo de codificación que tienen, para que R pueda leer correctamente los caracteres especiales como tildes o ñ. En nuestro caso utilizan la codificacion ISO 8859-1 que corresponde con el alfabeto español :

# Para conocer el tipo de codificación: 
encoding <- guess_encoding("Input/DATA/media_anual_PM2_5.csv")
print(encoding)
## # A tibble: 2 × 2
##   encoding   confidence
##   <chr>           <dbl>
## 1 ISO-8859-1       0.58
## 2 ISO-8859-2       0.25
PM2_media <- read_delim("Input/DATA/media_anual_PM2_5.csv", 
                        delim = ";", escape_double = FALSE, trim_ws = TRUE, 
                        locale = locale(encoding = "ISO-8859-1"))

PM10_media <- read_delim("Input/DATA/media_anual_PM10.csv", 
                        delim = ";", escape_double = FALSE, trim_ws = TRUE, 
                        locale = locale(encoding = "ISO-8859-1"))

RUIDO_media <- read_delim("Input/DATA/poblacion_sufre_ruidos.csv", 
                         delim = ";", escape_double = FALSE, trim_ws = TRUE)

Preparación datos csv

Los datos en los archivos csv estan distribuidos de tal forma que puede dificultar su comprensión y manejo, por ello vamos a modificarlos y ordenarlos.

El objetivo es conseguir que los años (periodo), que de forma predeterminada vienen en una única columna pasen a ser las columnas del dataframe y el nombre de las comunidades autónomas las filas. Además, eliminar aquellas columnas y filas que no son de nuestro interés.

Concentración PM 2.5
# Datos concentración anual PM 2.5
PM2_ccaa_media <- PM2_media %>%
  pivot_wider(names_from = periodo, values_from = Total)%>% 
  select(-`Total Nacional`)%>% #Eliminar columna Total Nacional
  slice(-1)%>%                    #Eliminar fila Total Nacional
  pivot_longer(
    cols = c("2022":"2004"),names_to = "Año",values_to = "PM2_5"
  )                    

datatable(PM2_ccaa_media)
Concentración PM 10
# Datos concentración anual PM 10
PM10_CCAA_media <- PM10_media %>%
  pivot_wider(names_from = periodo, values_from = Total)%>%
  select(-`Total Nacional`)%>%
  slice(-1)%>%
  pivot_longer(names_to = "Año", values_to = "PM10", cols = c("2022":"2004"))

datatable(PM10_CCAA_media)
Población afectada por ruido
#Datos población afectada por ruidos
RUIDO_CCAA_media <- RUIDO_media %>%
  pivot_wider(names_from = periodo, values_from = Total)%>%
  select(-`Total Nacional`)%>%
  slice(-1) %>%
  pivot_longer(names_to = "Año", values_to = "Ruido_dec", cols = c("2020":"2004"))

El nombre de las Comunidades Autónomas en los archivos csv aparecen con un índice que en nuestro caso vamos a eliminar ya que no lo utilizaremos y nos dificulta el tratamiento de las tablas.

(En las tablas referentes a contaminación, se cambiará más adelante)

En el caso del ruido:

RUIDO_CCAA <- 
  RUIDO_CCAA_media %>%
  mutate(Comunidades_Autonomas = case_when(
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "01 Andalucía" ~ "Andalucía",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "02 Aragón" ~ "Aragón",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "03 Asturias, Principado de" ~ "Asturias, Principado de",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "04 Balears, Illes" ~ "Balears, Illes",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "05 Canarias" ~ "Canarias",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "06 Cantabria" ~ "Cantabria",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "07 Castilla y León" ~ "Castilla y León",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "08 Castilla - La Mancha" ~ "Castilla - La Mancha",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "09 Cataluña" ~ "Cataluña",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "10 Comunitat Valenciana" ~ "Comunitat Valenciana",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "11 Extremadura" ~ "Extremadura",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "12 Galicia" ~ "Galicia",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "13 Madrid, Comunidad de" ~ "Madrid, Comunidad de",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "14 Murcia, Región de" ~ "Murcia, Región de",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "15 Navarra, Comunidad Foral de" ~ "Navarra, Comunidad Foral de",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "16 País Vasco" ~ "País Vasco",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "17 Rioja, La" ~ "Rioja, La",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "18 Ceuta" ~ "Ceuta",
    RUIDO_CCAA_media$`Comunidades y Ciudades Autónomas`== "19 Melilla" ~ "Melilla",
    ))%>%
  mutate(Ruido = Ruido_dec/10)%>%
  select(Comunidades_Autonomas, everything())%>%
  select(-`Comunidades y Ciudades Autónomas`)%>%
  select(-Ruido_dec)

datatable(RUIDO_CCAA)

Importación datos JSON:

mort_prenatal <- fromJSON(file = "INPUT/DATA/mortalidad_prenatal_total.json")

mort_prenatal %>% 
  spread_all()
## # A tbl_json: 60 x 6 tibble with a "JSON" attribute
##    ..JSON                  document.id COD      Nombre       T3_Unidad T3_Escala
##    <chr>                         <int> <chr>    <chr>        <chr>     <chr>    
##  1 "{\"COD\":\"IDB8311..."           1 IDB83113 Total Nacio… Defuncio… " "      
##  2 "{\"COD\":\"IDB8311..."           2 IDB83112 Total Nacio… Defuncio… " "      
##  3 "{\"COD\":\"IDB8311..."           3 IDB83111 Total Nacio… Defuncio… " "      
##  4 "{\"COD\":\"IDB8317..."           4 IDB83170 Andalucía, … Defuncio… " "      
##  5 "{\"COD\":\"IDB8316..."           5 IDB83169 Andalucía, … Defuncio… " "      
##  6 "{\"COD\":\"IDB8316..."           6 IDB83168 Andalucía, … Defuncio… " "      
##  7 "{\"COD\":\"IDB8316..."           7 IDB83167 Aragón, Mor… Defuncio… " "      
##  8 "{\"COD\":\"IDB8316..."           8 IDB83166 Aragón, Mor… Defuncio… " "      
##  9 "{\"COD\":\"IDB8316..."           9 IDB83165 Aragón, Mor… Defuncio… " "      
## 10 "{\"COD\":\"IDB8316..."          10 IDB83164 Asturias, P… Defuncio… " "      
## # ℹ 50 more rows

Preparación archivos .json

Una vez que hemos importado el archivo json, analizamos los tipos de los atributos que lo forman para quedarnos con aquellos de tipo array que son los que contienen la información que queremos:

mort_prenatal %>% 
  gather_object %>% 
  json_types %>% 
  count(name, type)
## # A tibble: 6 × 3
##   name      type       n
##   <chr>     <fct>  <int>
## 1 COD       string    60
## 2 Data      array     60
## 3 MetaData  array     60
## 4 Nombre    string    60
## 5 T3_Escala string    60
## 6 T3_Unidad string    60

En nuestro caso queremos estudiar la mortalidad prenatal tanto en hombres como en mujeres, para ello filtramos eliminando las columnas de hombres y mujeres quedándonos con las de ambos sexos:

filter <- c()
for (i in 1:60){
  filter <- append(filter, mort_prenatal[[i]]$MetaData[[4]]$Nombre == "Ambos sexos")
}
elim = 0
for (i in 1:60){
  if(!filter[i]){
    mort_prenatal[[i-elim]] <- NULL
    elim <- elim + 1
  }
}

Analizamos en profundidad el contenido de cada array y obtenemos lo siguiente:

  • Array Data: se encuentran los valores de todos los años y sus respectivos valores de tasa de mortalidad prenatal
#VALORES DE LOS AÑOS A PARTIR DE 2004 Y VALORES MORTALIDAD
mort_valores_prenatal <-
  mort_prenatal %>%
  enter_object(Data) %>%
  gather_array %>%
  spread_all %>%
  select(Anyo, Valor, document.id)%>% 
  filter(Anyo >=2004)
  • Array Metadata: están los nombres de las comunidades autónomas y clasficación por sexos
mort2_CCAA_prenatal <- mort_prenatal %>%
  enter_object(MetaData) %>%
  gather_array %>%
  spread_all %>%
  select(Nombre, document.id, T3_Variable) %>%
  filter(Nombre == "Andalucía" | Nombre == "Aragón" | Nombre == "Asturias, Principado de" |
           Nombre == "Balears, Illes" | Nombre == "Canarias" | Nombre == "Cantabria" |
           Nombre == "Castilla y León" | Nombre == "Castilla - La Mancha" | Nombre == "Cataluña" |
           Nombre == "Comunitat Valenciana" | Nombre == "Extremadura" | Nombre == "Galicia" |
           Nombre == "Madrid, Comunidad de" | Nombre == "Murcia, Región de" | Nombre == "Navarra, Comunidad Foral de" |
           Nombre == "País Vasco" | Nombre == "Rioja, La" | Nombre == "Ceuta" | Nombre == "Melilla")

Para obtener la tabla con todos los datos bien estructurados y organizados es necesario hacer join entre los datos de ambos arrays:

#Join:
JOIN_mort_prenatal <-
  mort_valores_prenatal %>% 
  select(c("Anyo", "Valor", "document.id")) %>%
  full_join(x = ., 
            y = mort2_CCAA_prenatal %>% 
              select(c("Nombre", "document.id")),
            by = c("document.id") )
Mortalidad fetal
mortalidad <- JOIN_mort_prenatal %>%
  select(Nombre, Anyo, Valor)%>%
  pivot_wider(names_from = Anyo, values_from = Valor)%>% #Hacer que filas = CCAA y columnas = años
  slice(-1)%>%#Eliminar datos Total Nacional
  pivot_longer(names_to = "Año", values_to = "Mortalidad", cols = c("2022":"2004"))%>%
  rename(Comunidades_Autonomas = "Nombre")
  
datatable(mortalidad)

Mortalidad fetal tardía

El objetivo principal es demostrar si existe alguna relación entre la mortalidad fetal tardía o mortalidad prenatal con distintos tipos de contaminación del ambiente, ya sea por contaminación atmosférica (PM) o acústica (Ruido).

Para ponernos en contexto, vamos a analizar el número de defunciones fetales por cada mil nacidos:

Conclusiones

Se observa que hay una gran diferencia en la evolución de las tasas de mortalidad prenatal dependiendo de la Comunidad Autónoma, destancando grandes tasas en Ceuta, Melilla y La Rioja.

Las causas puede ser numerosas, ya sea por causas económicas, inaccesibilidad sanitaria o la calidad de la sanidad, entre otras. A partir de estos datos, vamos a tratar de demostrar si entre estas causas pueden estar la calidad del aire, analizando la concentración de particulas PM en suspensión, o la contaminación acústica

Relación con contaminantes atmosféricos

En este apartado se estudiará la evolución de la concentración media de PM (2.5 y 10) en el aire a lo largo de los años en cada comunidad autónoma y su posible relación con el número de muertes fetales tardías.

- Concentración contaminantes en el aire por CCAA

A continuación relacionaremos las dos tablas de contaminación con datos de particulas de tamaño 2.5 y 10, obteniendo un valor medio entre las partículas PM2.5 y PM10, para posteriormente hacer la unión con la mortalidad y analizar si existe alguna correlación entre ellas.

# Reemplazar comas por puntos decimales 
PM2_ccaa_media <- PM2_ccaa_media %>%
  mutate(PM2_5 = as.numeric(gsub(",", ".", as.character(PM2_5))))

PM10_CCAA_media <- PM10_CCAA_media %>%
  mutate(PM10 = as.numeric(gsub(",", ".", as.character(PM10))))



# Unir las tablas por "Comunidades y Ciudades Autónomas" y "año"
calidad_aire <- PM2_ccaa_media %>%
  inner_join(PM10_CCAA_media, by = c("Comunidades y Ciudades Autónomas", "Año"))

# Calcular la media para cada comunidad y año, ignorando los valores NA
tabla_aire <- calidad_aire %>%
  group_by(`Comunidades y Ciudades Autónomas`, Año) %>%
  summarize(
    media_PM = mean(c(PM2_5, PM10), na.rm = TRUE),.groups = "drop") # Media de PM2.5 y PM10 por grupo

Cambio de nombre de atributo Comunidades y Ciudades Autónomas

media_calidad_aire <- 
  tabla_aire %>%
  mutate(Comunidades_Autonomas = case_when(
    tabla_aire$`Comunidades y Ciudades Autónomas`== "01 Andalucía" ~ "Andalucía",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "02 Aragón" ~ "Aragón",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "03 Asturias, Principado de" ~ "Asturias, Principado de",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "04 Balears, Illes" ~ "Balears, Illes",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "05 Canarias" ~ "Canarias",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "06 Cantabria" ~ "Cantabria",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "07 Castilla y León" ~ "Castilla y León",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "08 Castilla - La Mancha" ~ "Castilla - La Mancha",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "09 Cataluña" ~ "Cataluña",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "10 Comunitat Valenciana" ~ "Comunitat Valenciana",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "11 Extremadura" ~ "Extremadura",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "12 Galicia" ~ "Galicia",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "13 Madrid, Comunidad de" ~ "Madrid, Comunidad de",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "14 Murcia, Región de" ~ "Murcia, Región de",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "15 Navarra, Comunidad Foral de" ~ "Navarra, Comunidad Foral de",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "16 País Vasco" ~ "País Vasco",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "17 Rioja, La" ~ "Rioja, La",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "18 Ceuta" ~ "Ceuta",
    tabla_aire$`Comunidades y Ciudades Autónomas`== "19 Melilla" ~ "Melilla",
    ))%>%
  select(Comunidades_Autonomas, everything())%>%
  select(-`Comunidades y Ciudades Autónomas`)
  

# Ver los resultados de la media
datatable(media_calidad_aire)

A partir de la tabla anterior, se puede visualizar la evolución de la concentración de particulas en el aire, siendo las comunidades autónomas coloreadas con un color más oscuro las que tienen mayor concentración de PM:

En el siguiente gráfico se muestra la misma información pero de una forma fija y puede ayudar a ver mejor las diferencias entre las comunidades autónomas

Conclusiones:

La concentración media de partículas en suspensión PM 2,5 y PM 10 parece seguir un comportamiento similar en todas las comunidades autónomas obteniendose unos valores similares en cada uno de ellos en estos últimos años.

Sin embargo, si analizamos los primeros años desde 2004 hasta 2008, estos valores medios tienen valores muchos más altos, alcanzando el máximo en Aragón. Es notable como a partir del 2008 dichos valores descienden de forma drastica. Investigando, hemos llegado a la conclusión de que esa bajada tan pronunciada es debido a la aprobación de la Directiva 2008/50/CE, con la que se impusieron regulaciones más estrictas para nuevos contaminantes, como son en este caso las particulas PM 2,5 y PM10, con el objetivo de mejorar la calidad del aire en la Unión Europea.

Además cabe destacar que en regiones como Melilla, Ceuta, Murcia y Andalucía, los niveles de contaminación de PM no solo incluyen los datos de contaminanetes atmosféricos emitidos por los humanos, sino que también incluyen otro tipo de contaminante inevitable como es la nacionalmente conocida “calima” que proviene de África y trae consigo una gran cantidad de particulas (generalmente arena), que dependiendo de su tamaño podrían ser introducidas en la categoría de las PM.

- Relación contaminación/mortalidad prenatal

Ahora relacionaremos la tabla anterior con la tabla que contiene datos de mortalidad prenatal para poder estudiar su posible relación.

mortalidad_aire <-
  left_join(x = media_calidad_aire, y = mortalidad, 
            by = c("Comunidades_Autonomas", "Año"))
  
datatable(mortalidad_aire)

Una vez obtenida la tabla con los datos de concentración media de PM y de mortalidad prenatal por año y comunidad autónomas podemos ver si existe alguna relación a partir de los siguientes gráficos.

Para poder realizar un analisis más concreto y enfocado en cada omunidad se pueden seleccionar entre las distintas pestañas la Comunidad Autónoma deseada

Selecciona Comunidad Autónoma
Andalucía

Aragón

Baleares

Canarias

Cantabria

Castilla y León

Castilla - La Mancha

Cataluña

Comunitat Valenciana

Extremadura

Galicia

Madrid

Murcia

Pais Vasco

La Rioja

Ceuta

Melilla

Conclusiones:

Las partículas PM 2.5 y PM 10 son contaminantes del aire de tamaño microscópico (2.5 micras y 10 micras respectivamente) que pueden ingresar al cuerpo al respirar, a través de los pulmones . La diferencia es que las PM 2.5 son más pequeñas y pueden llegar más profundamente en el organismo, incluso entrando al torrente sanguíneo. Cuando una mujer embarazada está expuesta a altos niveles de estas partículas, pueden generar problemas tanto para ella como para el embrión.

Estas partículas pueden causar inflamación en el cuerpo de la madre, y esa inflamación puede afectar la placenta, que es el órgano que conecta al embrión con la madre y se encarga de pasarle oxígeno y nutrientes. Si la placenta no funciona correctamente debido a la inflamación o al daño, el feto puede que no reciba suficiente oxígeno o los nutrientes necesarios para su desarrollo.

Además, la contaminación por PM 2.5 y PM 10 puede alterar el flujo sanguíneo hacia el útero, lo que también puede poner en riesgo al feto. Esto aumenta las posibilidades de problemas graves como parto prematuro, bajo peso al nacer e incluso la muerte fetal. En resumen, la exposición a estas partículas durante el embarazo puede interrumpir los procesos normales que aseguran un embarazo saludable.

Es por ello que en la mayoría de casos una de las recomendaciones dadas a las embarazadas es evitar salir días en los que la presencia de estas partículas PM sea elevada, es decir, los días de calima intensa.

Esto se puede observar en alguna de las comuniddes atónomas estudiadas, como Aragón, que entre 2004 y 2010 tuvo unos niveles de mortalidad prenatal elevados, y esto esta relacionado con los años de mayor contaminación en esta comunidad. Sin embargo, en los últimos años gracias a la disminución de los contaminantes y a los continuos avances médicos ha echo que estos niveles hayan llegado a mínimas históricas de un 0.2% de mortalidad prenatal y esto no solo ha ocurrido en aragón, sino que también en aquellas zonas como Andalucía o Castilla la Mancha, en las que en los momentos de máxima contaminación presentaban niveles de mortalidad prenatal elvados, y en las épocas de mínima contaminación este valor era más reducido.

Relación con contaminantes acústicos

En este apartado se estudiará la evolución de la población afectada por ruidos externos a lo largo de los años en cada comunidad autónoma y su posible relación con el número de muertes prenatales.

- Población afectada por ruido

El siguiente grafico muestra la evolución de la población afectada por ruido externo en cada Comunidad Autonoma.

Conclusiones

A partir del gráfico obtenemos que las comunidades autonomas cuya población es más afectada por el ruido son Ceuta y Melilla, seguida de Comunidad Valenciana.

Estos resultados contradicen la idea que teníamos sobre que seguramente aquellas comunidades con ciudades más grandes, como Madrid o Barcelona, al tener un número más grande de habitantes podrían estar más afectados por ruidos ya que hay más “movimiento”.

- Relación entre ruido/mortalidad prenatal

A continuación haremos lo mismo pero en este caso, uniendo la tabla de mortalidad prenatal junto con la de ruido ambiente.

mortalidad_RUIDO <- 
  left_join(x = RUIDO_CCAA, y = mortalidad, by = c("Comunidades_Autonomas", "Año"))
            
datatable(mortalidad_RUIDO)

Para poder realizar un analisis más concreto de cada comunidad se pueden seleccionar las distintas pestañas

Selecciona Comunidad Autónoma
Andalucía

Aragón

Baleares

Canarias

Cantabria

Castilla y León

Castilla - La Mancha

Cataluña

Comunitat Valenciana

Extremadura

Galicia

Madrid

Murcia

Pais Vasco

La Rioja

Ceuta

Melilla

Conclusiones

Dependiendo de la Comunidad Autónoma que quieras elegir, presenta un comportamiento distinto. Por ejemplo,

Conclusión General: